最近幫同學邀請一位外科醫師演講，想到上次與這位學姊談話是五年前的事情了。再加上最近在家醫科上了一堂職涯的討論課，所以我想來分享一下選擇醫學的心得(不過這也只到大五的所見所聞，可能未來5年、10年的看法都會改變)。如果大家對於下面的這些觀點有其他想法或是對於選系之類的問題想要討論也相當歡迎。 五年前這個時候我離學測只有兩個星期，在那之後經歷了二階的六個系所面試、筆試，經過了微積分甲(這在台大已經走入歷史了XD)，資工系的演算法、線性代數、各種期末作業，無數的解剖跑台、病理玻片，到去年的一階國考。現在回頭看才發現學測真的只是個小挑戰，但對那時的我卻是個好大好大的山頭。 那時的對於要走醫學還是資工猶豫了一陣子，但我還是選擇了當時對我來說非常未知的醫學，一方面是希望未來的工作能有個特別的使命感，另一方面可能我就是個喜歡探索的人吧！五年過去了，當時選擇資工(或電機)的同學們，有些在Google吃生魚片，有些申請上我也曾夢想能踏入的國外研究所、博士班，而在醫學的路上，我才正準備開始。 如今我又快到另一個人生的交叉路口，看著身邊醫學系的學長姊都在努力地準備未來要到哪間醫院、為自己的選科鋪路。也觀察了不少醫師的生活型態，所以慢慢地在心中形成對於哪些科有興趣、適合自己的感覺。但也有感受到，這個領域往往相當競爭，許多人把做研究、寫論文當作選科、升等、升官的手段，同儕間也有不少比較的心態。有的時候老師會說"因為這樣好發表論文"跟"這樣的文章點數很高"，而不是"做這個題目可以解答一個重要的問題"，或是"為病人的診斷治療帶來很大的進步"之類的。談到選科，很多人會提到薪水、生活品質、適合開業等等，反而比較少"我喜歡這科因為我對...很有興趣"，這樣的說法。 所以我又想起，五年前問學姊，什麼樣的人會走外科，他只說了一句話："喜歡開刀的人"。最近這樣堅定的口吻，我又在一個想走神經外科的PGY口中聽到，內心由衷地佩服。 我的其中一個興趣(除了做甜點之外XD)是看一些AI相關的研究。在資工系的時候會發現，AI的研究很多是在提出一些新的模型、優化方式來將既有問題擠出更好的成績，像是準確率、計算速度等等(有人稱為刷分、刷榜)，而且有的時候反而會不知道有什麼新題目可以做(我記得以前有句話說，網站工程師閒閒沒事的時候就會寫網站框架，所以新的網站框架很多...)。 後來讀了醫學之後發現因為醫學的領域實在非常非常地廣，認真想一下手上有的資料與工具，其實能夠嘗試的問題很多。之前想過一些有趣的研究，比如說醫師常常要讀很多論文、寫治療指引，那如果用AI來讀paper、給建議，要怎麼知到AI有看懂？另一方面，既然AI可以下圍棋(像是我高三的時候的Alpha Go)，那可不可以把臨床治療當作一盤棋來下，看AI醫生能否戰勝疾病？最近才發現這些問題世界上都有很厲害的團隊想到且已經做得如火如荼。 鋪陳了這麼多，其實真正想要講的是兩個問題： 當作興趣或當作職業？ 這是遇到的急診老師講的，很多人都有一個興趣，那個興趣可能鑽研得很深、能力很強，但如果要把那個興趣轉作職業，或許會比想像中困難地多。 我自己就覺得我好像不那麼適合一直寫程式，因為我對於debug這件事相當苦惱，為了自己有興趣的題目、寫出自己想要的東西時會感到很雀躍，但面對作業、死線寫不出來、找不到答案的時候心裡會有很大的壓力。另一方面資工的競爭並不比醫學來得少，如果要走研究路線，特別是做AI的題目，在數學方面的要求是相當高的(加上目前AI要變成可以獲利的產品並沒有那麼容易...恐怕是個僧多粥少的狀況)。 如果沒有選擇醫學系？ 雖然可能在資工上的訓練會更加紮實，可以花更多心力在把數學基礎學好，但是我就沒有機會一窺醫學這個非常特別、深不見底的世界。可以在開刀房刷手上去拿器械縫傷口、幫寶寶接生、在門診接初診病人、在病房研究許多萬分之一的特殊疾病。如果我沒有嘗試，可能一輩子與生物就絕緣了XD 也就沒有機會發現那麼多可以結合原本AI興趣與醫學的機會、看到這些研究成果會由衷地感到興奮！ 別人問我的時候我總是會說，我覺得唸台大醫真的太超值，而且醫師的工作型態非常多樣。不過必須要說，醫學的訓練真的非常辛苦，可能超過我高中時的想像。 希望說了這些心路歷程，能夠有個拋磚引玉的效果，讓大家也有機會回顧、分享自己在十字路口做的決定，說不定能幫助到另一個人在同樣十字路口的人。 #醫學 #醫學系 #醫學生 #醫學院 #醫學系日常 #大學生 #大學 #台大 #醫院 #醫院日常 #升學 #medicine #doctor #physician #computerscience #biology #hospital

週末也學習一下吧✏️👅 Q:如果對AI有興趣，新手入門的筆電會需要很好嗎? A:其實不需要真的很好，筆電的用途只是學習和進行模型概念驗證Proof of concept (POC)或是EDA( Exploratory Data Analysis)以及資料視覺化,確認可以運作之後 真的要訓練模型一般還是會上高功效的工作站或是雲端(GCP,AWS..etc.)訓練大型模型 因為通常雲端的效能可以開的規格是遠高於筆電的，而且筆電散熱差，容易過熱傷害機器，經濟效益上筆電真的不划算。 此外，好一點的團隊會有自己的伺服器可以訓練模型，通常一台機器的價格都遠高於個人筆電。 新手入門畢竟還是初學階段，可以先等有訓練過教學用的資料集後，再思考是不是要買更好的筆電，才不會一開始造成太大的負擔。 如果筆電真的有哪邊需要特別注意，建議是至少需要有一張簡單的獨顯(主流是NV比較多，主要是練習如何和GPGPU溝通)，以及把筆電的記憶體買大一點(方便操作大筆資料)。 Q:如果對AI有興趣，數學真的需要很好嗎，該怎麼克服呢? A:其實我們使用的數學最多應該是高中數學和理工科系的大一大二必修數學(機率、統計、微積分、線性代數、工程數學等) 但重點其實不是把考試分數考高(當然那也很重要)，而是了解其中的意義和如何把現實世界的問題抽象化為數學問題，並利用AI解決 以及反過來解釋資料的情況和演算法的物理(具體)意義為何 數學語言也是一種工具，常常使用其實就能夠熟練地應用在解決問題上面，而不是學校考完試就忘記了。 沒錯，就是圖文不符😚 文字取自 @epics.tw 精彩演講的重點 圖片取自 @hello_mina001 報告簡報

S1E36 揭秘 Uber 司機乘客配對演算法 最佳化計算供需市場動態平衡 #美國總統大選倒數9天 Uber 和 Lyft 是共享經濟的代表，但許多使用者對他們的印象仍然停留在「叫車服務」。其實他們背後的技術不僅是提供叫車功能，他們正在解決許多最佳化問題，以維持乘車服務雙邊市場中供給與需求的平衡， 例如：要如何配對司機和乘客以節省雙方的等待時間，我們會聊到為什麼不總是配對離乘客最近的司機其實有助於達到整個系統的最佳解。另外為了維持供需平衡，也可以利用許多方法調整供給和需求的數量，例如大家常聽到的 Surge Pricing 動態定價，以及針對司機和乘客方都設計專屬的促銷活動等等。這些方法的背後，需要許多資料科學家和經濟學家來研究建立各種不同的數學模型，還需要實時動態大規模的計算，是很具挑戰性的技術問題！ 與Facebook 和 Google 的廣告雙邊市場不同，對 Uber 和 Lyft 來說，維持雙邊平衡至關重要，這也是叫車服務這個應用場景的特性，也讓他們面對的問題更加困難。近幾年零工經濟相關法規的爭議不斷，例如與今年美國總統大選一起舉行的加州公投第22號公投案，就是Uber 和 Lyft 等共享經濟公司為了反對去年通過的 AB5 法案，希望能夠突破 AB5 法案要求把 App 的司機列為正式員工的限制。共享經濟乘車服務似乎還有許多硬仗要打，我們在此獻上最誠摯的祝福！ #Uber #Lyft #RideShare #Prop22 #經濟學 #供需平衡 #共享經濟 #零工經濟 #JustKiddingTech #矽谷輕鬆談 --- #Podcast傳送門 Apple Podcasts ➡️ https://apple.co/2wizvzO Spotify ➡️ https://spoti.fi/3aeP9KY Google Podcasts ➡️ https://bit.ly/2vureZq 其他平台 ➡️ https://anchor.fm/jktech